Matlab导联胎儿心电信号提取与分析仿真+ICA算法(2)
通常，都是在分娩前孕妇的体表连接若干电极来获得母体心电信号数据，即ECG数据，然后从这些ECG数据中提取出胎儿心电信号[4]，即FECG。然而，想要提取清晰的FECG并非易事。表1是参照复旦大学其附属医院妇产科应用的FECG-B型胎儿心电图机的情况[5]。
表1 复旦大学应用FECG—B型胎儿心电图机提取胎儿信号的的统计情况
孕周 总例次 测出成功次数 成功率%
18~22 33 32 96.97
23~27 30 28 93.33
28~32 64 51 79.69
33~36 68 61 89.71
37~41 86 83 96.51
共计 281 255 90.75
由表1可看出，用电极导联方法获取FECG的成功率并不理想，平均只有90%左右。经分析可知，造成此种信号提取不理想的原因有很多。一方面，由于FECG信号本身十分微弱；另一方面，由于孕妇的ECG信号相对FECG非常强，其幅度通常是FECG的10~100倍，从而严重干扰了FECG的提取。此外，FECG常常被一些噪声所淹没。这些噪声包括：
(1) 母亲的呼吸所产生的噪声 这类噪声可以看成是一种低频噪声。心电信号是一种低频微弱信号，其幅度范围为10μV-3mV,频率范围是0.05Hz-100Hz，人体源的阻抗一般较大，可达几KΩ-几十KΩ，这些都将给心电信号的采集带来困难和误差。
(2) 肌电噪声 这类噪声通常是母体在受验时身体移动造成的。主要来自于人体肌肉的颤抖，其幅度大约在几十微伏到几毫伏之间，频率范围在2Hz到10kHz之间，文持时间大约是50毫秒。另外子宫的收缩也会产生肌电噪声。
(3) 各种电子干扰 比如：
1)导联线容性耦合干扰及人体表面容性耦合干扰：从肢体和胸部引来的长约1米的导联线与其他导线之间存在着分布电容，这个分布电容足可以把周围的各种干扰引入到心电信号中来。
2)传感器等电子设备产生的热噪声，50~60Hz的工频干扰。
3)电极化干扰：在理想情况下，用双电极提取人体两点间的电位差时，两电极保持对称就可使极化电压互相抵消。但实际上，两电极之间很难保持绝对的对称性，所以干扰不可避免。特别是当电极和皮肤接触不良时，这种情况所造成的干扰会更大。
1.1.1 MIT-BIH标准数据库
麻省理工MIT-BIH心率失常数据库[6]是世界上目前应用最为广泛的心电信号数据库，它包含了大量典型的心电数据，非常适合于心研究心电检测算法。MIT-BIH数据库的数据取自两个导联信号，信号采样率为360Hz，A/D分辨率为11bit。同时，记录的每一个数据库都包含三个文件。如图1所示：
图1 MIT-BIH 心律失常数据库文件结构
MIT-BIH数据库中的数据都是采集于1975-1979年间，其中60%采集对象为住院病人，40%采集对象是门诊病人。本数据库总共48个病例，每一个病例数据长约30分钟，总共约11600个心拍，包含了各种正常和异常心拍，并分别由医院主要专家对其做出分析识别和标注,常被作为心电仪器领域的检测标准。
1.2 ICA算法的可行性
独立分量分析是在20世纪90年代后期发展起来的一项新的处理方法。它的发展与盲信源分离(Blind source separation，BSS)紧密联系。ICA技术就是为了解决BSS问题而逐渐发展起来的。具体来说，就是假设有若干个(N个)未知非高斯源信号，其中至多有一个源信号为高斯分布，且若干源信号彼此统计独立。在某种未知的混合算法下，将此若干源信号(N个)混合成M个混合信号。而独立分量分析(ICA)的目的就是把这N个未知的源信号从这M个混合信号中恢复出来，而不参考其他的先验信息。